[论文解读] Fair and Robust Estimation of Heterogeneous Treatment Effects for Policy Learning

Kwang‐Ho Kim, José R. Zubizarreta|arXiv (Cornell University)|Jun 6, 2023

Health Systems, Economic Evaluations, Quality of Life被引用 5

一句话总结

本文提出了一种凸优化框架，用于在一般公平性约束下对异质处理效应进行非参数估计，实现了双重稳健性，并支持稳健的策略学习。该框架刻画了公平性与福利之间的权衡，表明公平性约束可在对策略有效性影响最小的情况下减少群体差异。

ABSTRACT

We propose a simple and general framework for nonparametric estimation of heterogeneous treatment effects under fairness constraints. Under standard regularity conditions, we show that the resulting estimators possess the double robustness property. We use this framework to characterize the trade-off between fairness and the maximum welfare achievable by the optimal policy. We evaluate the methods in a simulation study and illustrate them in a real-world case study.

研究动机与目标

• 解决在估计异质处理效应时，算法公平性与因果推断之间缺乏整合的问题。
• 开发一种通用、灵活且可实施的框架，用于在公平性约束下估计条件平均处理效应（CATE）。
• 刻画最优策略所能实现的最大福利与公平性之间的权衡。
• 通过双重稳健性确保对模型误设的鲁棒性，即使使用灵活的机器学习工具亦成立。
• 支持在现实世界应用（如刑事司法和医疗保健）中实际部署公平且高效的策略学习。

提出的方法

• 将CATE估计建模为一个凸优化问题，通过惩罚项纳入公平性约束。
• 使用双重稳健估计方程，结合结果回归模型与倾向得分模型，以确保稳健性。
• 引入公平性惩罚参数δ以控制公平性与福利之间的权衡，其中δ=0表示严格公平，δ=∞则允许无公平性约束。
• 利用反事实优化技术推导出在标准正则条件下具备双重稳健性的估计量。
• 使用现成的求解器高效计算估计量，实现可扩展性与实际部署。
• 使用独立的训练集与评估集来估计遗憾与不公平性，确保性能评估的无偏性。

Figure 1: When the optimal policy is applied, only less than $7$ % of individuals with $S=0$ are treated while more than $95$ % of individuals in the untreated group are $S=0$ .

实验结果

研究问题

• RQ1 如何在确保公平性的同时，对异质处理效应进行对模型误设具有鲁棒性的估计？
• RQ2 公平性与最优策略所能实现的最大福利之间存在怎样的权衡？
• RQ3 能否开发一种通用框架，将多种公平性标准整合到CATE估计中，同时不牺牲统计效率？
• RQ4 与现有方法相比，所提出方法在双重稳健性和收敛速率方面表现如何？
• RQ5 在现实世界政策应用中，公平性约束在多大程度上能减少差异，而不会显著降低策略性能？

主要发现

• 所提出的估计量实现了双重稳健性，即使其中一个扰动模型（结果回归或倾向得分）被误设，也能确保一致估计。
• 在COMPAS案例研究中，当δ=0时，该方法使独立性与正向平衡差异均减少70%以上，同时与无约束基线相比，再犯风险仅增加7%。
• 所提方法的遗憾随样本量增加而比竞争方法更快衰减，证实了其理论上的双重稳健性。
• 在模拟实验中，该方法在不同δ水平下均保持较低的不公平性，且当δ>0时，性能与基线双重稳健估计器相当或更优。
• 该框架支持灵活地同时整合多种公平性标准（如独立性与正向平衡），如真实世界案例研究所示。
• 本研究量化了公平性的成本，表明实现高公平性（δ=0）仅导致再犯风险增加7%，展示了公平性与福利之间可管理的权衡。

Figure 2: Densities of $\widehat{\tau}(W)$ for $\delta=\infty$ and $\delta=0$ . In each figure, two dashed vertical lines correspond to $\mathbb{P}_{n}\left\{\widehat{\tau}\mid S=0\right\}$ and $\mathbb{P}_{n}\left\{\widehat{\tau}\mid S=1\right\}$ .